Анна Племяшова, директор по развитию и корпоративной стратегии АО «Белтел»

Возвраты непроданной продукции от точек реализации и, следовательно, убытки – актуальная проблема многих производителей, особенно если товар имеет небольшой срок годности. Средствами предсказательной аналитики на одном из предприятий такие возвраты были сокращены в два раза.

- Реклама -

Идея интеллектуальных систем, построенных на основе технологии машинного обучения не нова, но темпы развития этой технологии значительно выросли. Буквально за последние 5 лет, изменился и стал доступным инструментарий продвинутой аналитики и возможность накладывать внешние данные, формировать важные инсайты для бизнеса, увеличивать эффективность производственного процесса. Известное аналитическое агентство в области информационных технологий Gartner приводит график, который демонстрирует эволюцию аналитических возможностей по мере развития технологий и автоматизации производственных процессов (рис. 1).

Возможности предсказательной или предиктивной, прогнозной аналитики, как ее еще называют, доступны уже сегодня, и некоторые компании достигают конкурентные преимущества благодаря использованию данных и их анализа. Это ускоряет принятие решений на основе больших массивов фактических данных, позволяет генерировать идеи и оптимизировать процессы. Накопление и хранение данных – это всегда существовавшие действия в любой организации. Необходимость этого накопления и хранения диктуется, как минимум, различными регуляторами. Применение этих данных для целей увеличения эффективности бизнеса или дополнительной монетизации зависело от желания и возможностей руководителей.

Сегодня необходимость использования аналитики для повышения конкурентных преимуществ бизнеса – это уже задача не для избранных индустрий, а вопрос выживания бизнеса в современной среде.

Задача минимизации возвратов

Многие производители хлебопекарной отрасли сталкиваются с проблемой возвратов непроданной продукции их торговых сетей. Необходимость принимать возвраты по закупочной цене и невозможность их повторного использования приводят к значительным убыткам и утилизации продуктов питания, что связано также с определенными этическими аспектами. Наша компания разработала решение, позволяющее значительно сократить возвраты скоропортящейся продукции. Его эффективность на данный момент доказана на примере уже двух хлебозаводов – в Санкт-Петербурге и Воронеже.

Рассмотрим первый пример. Крупный петербургский хлебозавод сотрудничает примерно с 6000 точками реализации, ассортимент товара составляет около 350 наименований. Объем возвратов составлял примерно 20 % и более 33 млн руб. в год. Созданная модель в облаке анализирует исторические данные об объемах продаж, учитывает сторонние факторы, влияющие на потребление, и выдает объем поставки по каждому наименованию товара для каждой торговой точки (рис. 2).

В результате уменьшение возвратов для тестовой выборки из восьми магазинов составило более 500 тыс. руб. в месяц. При этом разработанное решение поставляется в виде сервиса и не требует от предприятий внедрения и обслуживания дополнительного оборудования или ПО.

Основные этапы реализации решения

Для того чтобы разработать модель, решающую задачу прогнозирования спроса в целях минимизации возвратов, необходимо получить ряд исходных данных. 

  • База данных по тестовым магазинам (точкам реализации). 
  • База данных по номенклатурам. 
  • База данных по продажам (отгрузкам с завода) и возвратам.

Данные нужны за 2 – 3 года. Далее, с экспертами компании заказчика выявляются дополнительные факторы, влияющие на спрос. Например, сезонность, погодные условия, праздники и выходные дни, проведение акций, геолокация торговых точек и др. Список этих факторов может зависит от особенностей продаж каждого отдельного заказчика и может быть расширен или изменен в зависимости от мнения экспертов.

Построением модели занимаются специалисты в анализе данных (Data Scientist). Это математики-программисты, которые в совершенстве владеют знаниями математической статистики и анализа. После того как модель построена (как правило, это занимает примерно месяц с момента получения данных), проверяется точность модели. Для этого тестовые данные по реальным продажам и возвратам сравниваются с теми, которые предсказала модель. Приемлемая точность модели для случая прогнозирования спроса считается 93 %. Если целевая точность модели достигнута, то можно переходить к интеграции решения с учетными системами предприятия, создавать удобный интерфейс и обучать пользователей. С ростом бизнеса решение можно легко масштабировать. Сама модель в процессе эксплуатации постоянно дообучается на новых данных, поэтому решение не теряет свою точность. Модель может быть применена не только для сокращения возвратов, но и для прогнозирования спроса с целью планирования производства, оптимизации производственного ресурса, оптимизации складских запасов (готовой продукции, сырья, упаковки), построения системы автозаказов, оптимизации ассортиментной политики и увеличения эффективности маркетинга, а также увеличения эффективности работы персонала.

Производственные задачи, которые поможет решить предсказательная аналитика

Решения с использованием возможностей предсказательной аналитики не ограничиваются задачами прогнозирования спроса. В мировой практике накопилось уже достаточно сведений об успехе предприятий, которые внедрили решения предиктивной аналитики и продолжают их развивать, двигаясь в сторону полной цифровизации производства.

Вот, некоторые примеры.

Повышение времени бесперебойной работы оборудования и сокращение его простоев за счет предиктивного обслуживания

На предприятиях пищевой промышленности имеется большое количество различного оборудования. Используя непрерывный поток данных, собранных с датчиков на критическом для производства оборудовании, продвинутые средства аналитики могут определять паттерны для прогнозирования диагностики возможных сбоев. Такое «умное» оборудование может посылать сообщения диспетчерам о требуемом техническом обслуживании, возможных сбоях, необходимости заказа запасных частей для надлежащего функционирования и даже о графике их поставок. Это позволяет перейти от регламентного ремонта и ремонта по инцидентам к предиктивному обслуживанию оборудования.

Оптимизация и сокращение производственного цикла выпуска продукции

Технологический процесс может меняться в зависимости от множества факторов: качества и вариации дозирования сырья, температурных и атмосферных режимов, загрязнения, старения компонентов. Предсказательная аналитика технологического процесса аналогична предиктивному обслуживанию оборудования и включает сбор структурированных и неструктурированных данных с датчиков технологического оборудования, из записей лабораторий, систем сигнализаций.

Обученные на этих данных математические модели позволяют выявить закономерности и отклонения в технологических процессах до их возникновения, тем самым снизить производственные риски или оптимизировать производственный цикл.

Повышение энергоэффективности и снижение эксплуатационных расходов

Несмотря на то что современная промышленность имеет высокую степень автоматизации и большинство установок контролируют такие стандартные переменные, как температура, тепловые потоки, уровни наполнения резервуаров и давление в них для оптимального энергопотребления, использование методов машинного обучения позволяет выстраивать динамическую систему потребления электроэнергии на заводе, учитывая внешнюю температуру, загрязнение систем, старение катализаторов и т. д.

Рост качества выпускаемой продукции и уменьшение отклонений

Предиктивная аналитика позволяет прогнозировать потенциальные отклонения в ходе производственного цикла и вносить незначительные поправки в процесс до того, как отклонение повлияет на качество конечного продукта. В настоящее время наша компания разрабатывает решение с применением компьютерного зрения для одного крупного производственного холдинга в пищевой промышленности. Данное решение позволит оценивать причины отклонений между физическими остатками на складе и данными учетных систем, отслеживать неполадки в работе производственных линий и анализировать причины брака. На текущий момент в России внедряется ряд проектов в области применения продвинутой аналитики.

Часть из них уже позволила компаниям почувствовать ощутимый эффект от внедрения, некоторые проекты находятся на стадии реализации или пилотного тестирования. Принятие решения о необходимости инвестирования в автоматизацию и цифровую трансформацию производства, накопление данных – обязательная задача лидеров промышленной индустрии. Скорейшее внедрение инновационных бизнес-процессов и практик позволит достичь конкурентного преимущества, успеха в будущем и будет способствовать завоеванию рынков.

ОСТАВЬТЕ ОТВЕТ

Please enter your comment!
Please enter your name here